Planeamiento y Control de la

Produccin
Pronsticos Parte III
Descomeposicion de una serie
Temporal
Descomposicin de una serie de
tiempo
Puede definirse una serie temporal como datos ordenados en forma
cronolgica que pueden contener uno o ms componentes de la demanda:
tendencia, estacional, cclico, auto correlacin o aleatorio
La descomposicin de una serie temporal significa identificar y separar los
datos de la serie temporal en estos componentes
Variacin estacional aditiva La variacin estacional aditiva simplemente
supone que la cantidad estacional es una constante sin importar cul es la
tendencia o la cantidad promedio.

Pronstico que incluye tendencia y estacional = Tendencia + Estacional
Variacin estacional multiplicativa En la variacin estacional
multiplicativa, la tendencia se multiplica por los factores estacionales.


Pronstico que incluye tendencia y estacional = Tendencia Factor estacional
Factor (o ndice) estacional
Un factor estacional es la cantidad de correccin necesaria en una serie
temporal para ajustarse a la estacin del ao.
Por lo general, se relaciona estacional con un periodo del ao
caracterizado por alguna actividad en particular. Se usa la palabra
cclico para indicar que no se trata de los periodos anuales recurrentes
de actividad repetitiva.
Ya vimos proporcin simple

Ahora si incluimos un factor estacional pero
adems una tendencia
Ejemplo: Calculo de tendencia y el factor estacional a partir de una recta
ajustada a mano

Medir la tendencia y la secante de la grafica, suponga que la historia de
los datos es la siguiente, determinar el pronostico para el trimestre 9,
10, 11 y 12 del ao 2008.
VENTAS VENTAS VENTAS
I 2006 300 I 2007 520 I 2008 ?
II 2006 200 II 2007 420 II 2008 ?
III 2006 220 III 2007 400 III 2008 ?
IV 2006 530 IV 2007 700 IV 2008 ?
TRIMESTRE TRIMESTRE TRIMESTRE
PRIMERO: Graficar los datos y trazar la lnea de tendencia de manera manual
SEGUNDO: Se ajusta visualmente una recta a travs de todos los datos la
ecuacin para la recta es:
PENDIENTE
SECANTE
FITSt= Tendencia x estacional DEMANDA
2008 PROYECTADA
I (170+55(9)x1,25 832
II 560
III 534
IV 1040
2006 REAL DEMANDA PROY PROPORCION
CON TENDENCIA REAL / TENDENCIA
I 300 225 1,33
II 200 280 0,71
III 220 335 0,66
IV 530 390 1,36
2007
I 520 445 1,17
II 420 500 0,84
III 400 555 0,72
IV 700 610 1,15
Y=170+55X
2008 DEMANDA PROYECTADA
I 832 1,25
II 560 0,78
III 534 0,69
IV 1040 1,25
Descomposicin con regresin por mnimos
cuadrados La descomposicin de una serie
de tiempo

Significa encontrar los componentes bsicos de la serie de tendencia,
estacional y cclico. Los ndices se calculan por estaciones y ciclos. El
procedimiento del pronstico despus invierte el proceso con el pronstico de
la tendencia y su ajuste mediante los ndices estacionales y cclicos,
determinados en el proceso de descomposicin. En trminos formales, el
proceso:
1. Descomponer las series de tiempo en sus componentes.
a) Encontrar el componente estacional.
b) Descontar las variaciones de temporada de la demanda.
c) Encontrar el componente de la tendencia.
2. Pronosticar valores futuros de cada componente.
a) Pronosticar el componente de la tendencia en el futuro.
b) Multiplicar el componente de la tendencia por el componente
estacional.
Ejemplo: Con los datos entregados pronosticar la demanda de los cuatro
trimestres del cuarto ao. (Ver excel)
Paso 1. Determinar el factor (o ndice) estacional.
Paso 2. Descontar las variaciones de temporada de los datos originales.
Paso 3. Trazar una recta de regresin por mnimos cuadrados para los
datos descontados de las variaciones de temporada.
Paso 4. Proyectar la recta de la regresin a travs del periodo por ser
pronosticado:
Paso 5. Crear el pronstico fi nal mediante el ajuste de la recta de la
regresin segn el factor estacional.
PERIODO TRIMESTRE Y DE LA RECTA DE LA FACTOR PRONOSTICO X FACTOR
REGRESION ESTACIONAL ESTACIONAL
13 1 5003,5 0,82 4102,87
14 2 5345,7 1,10 5880,27
15 3 5687,9 0,97 5517,26
16 4 6030,1 1,12 6753,71
Modelos Causales
Consideran varias variables que estn
relacionadas con la cifra a predecir.

Considera la construccin de un
modelo estadstico para pronosticar el
elemento de inters.
Modelos:
Regresin lineal simple

Regresin lineal mltiple

Regresin mltiple
Regresin lineal simple.
Se utiliza el mismo modelo empleado
en los mnimos cuadrados.



Observacin:
X ahora no necesariamente corresponde
al perodo de tiempo.
ANLISIS DE REGRESIN MLTIPLE

Otro mtodo de pronstico es el anlisis de regresin mltiple, en el que se
considera cierto nmero de variables, junto con los efectos de cada una en
el rubro de inters. Por ejemplo, en el campo del mobiliario domstico, los
efectos del nmero de matrimonios, construccin de viviendas, ingreso
disponible y tendencias puede expresarse en una ecuacin de regresin
mltiple como:
PRONSTICO ENFOCADO
El pronstico enfocado es creacin de Bernie Smith quien lo usa principalmente
para manejo de inventarios de bienes terminados. Smith defiende slidos
argumentos de que los enfoques estadsticos usados para pronosticar no dan los
mejores resultados. Afirma que las tcnicas simples que funcionaron antes
tambin dan los mejores pronsticos para el futuro.
El pronstico enfocado simplemente prueba varias reglas que parecen
lgicas y fciles de entender para proyectar al futuro los datos del pasado
Se trata de reglas simples y de sentido comn que se formulan y prueban
para ver si deben conservarse. Entre los ejemplos de reglas simples de
pronstico se encuentran:
1. Lo que se haya vendido en los tres ltimos meses ser probablemente lo que se venda en los tres
meses siguientes.
2. Lo que se vendi en el mismo trimestre del ao pasado se vender probablemente en ese periodo
de este ao (esto dara cuenta de los efectos estacionales).
3. Es probable que se venda 10 por ciento ms en los siguientes tres meses que en los tres meses
anteriores.
4. Es probable que se venda 50 por ciento ms en los tres meses siguientes que en los mismos tres
meses del ao anterior.
5. Cualquiera que haya sido el cambio porcentual de los ltimos tres meses de este ao en
comparacin con los mismos tres meses del ao pasado, ser probablemente el mismo cambio
porcentual que se tendr en los siguientes tres meses del ao.
Estas reglas de pronstico no son rgidas. Si una regla parece funcionar bien,
se agrega. Si una no funcion, se suprime.
Para usar el sistema, deben tenerse datos histricos; por ejemplo, datos de
18 a 24 meses
El proceso de simulacin usa las reglas de pronstico para predecir datos
recientes.
La regla que mejor pronostique en el pasado es la que se usa para
predecir el futuro
IMPORTANTE
EJEMPLO
La tabla siguiente muestra la demanda en unidades de VELADORES en un
periodo de 18 meses. (Trate de adivinar cul sera la demanda para julio,
agosto y septiembre de este ao y compare su conjetura con los datos reales
presentados despus.)
Aqu se aplican slo dos reglas para demostrar el mtodo: 1 y 5. En la prctica, se
usaran todas. Mediante pronstico enfocado, primero se prueba la regla 1: lo que
se haya vendido en los tres ltimos meses ser probablemente lo que se venda
en los tres meses siguientes
Prubese otra regla, como la 5: cualquiera que haya sido el cambio porcentual
de los ltimos tres meses de este ao en comparacin con los mismos tres
meses del ao pasado, ser probablemente el mismo cambio porcentual que se
tendr en los siguientes tres meses del ao.
Pronstico (abril + mayo + junio)
Lo que ocurri en realidad durante abril, mayo y junio fue de
363, as que el pronstico fue 175/363 o slo 48 por ciento
de la demanda real.
Como la regla 1 fue la mejor para pronosticar los tres
meses pasados, se usa esa regla para predecir julio,
agosto y septiembre de este ao. La regla 1 dice que lo
que se haya vendido en los tres ltimos meses ser
probablemente lo que se venda en los tres meses
siguientes.
La demanda actual del periodo fue de 357, como se ve en la tabla, lo que
muestra la historia completa de la demanda de este ao y sirve como base
para hacer una comparacin.
357
PRONSTICO EN LA RED: PLANEACIN, PRONSTICO Y RESURTIDO
EN COLABORACIN
La planeacin, pronstico y resurtido en colaboracin (CPFR en
ingls, Collaborative Planning, Forecasting and Replenishment), que se
propuso en 1995, evolucion hasta convertirse en una herramienta de
Internet usada para coordinar el pronstico de la demanda, la planeacin
de la produccin y las compras y el resurtido de inventarios
Cadena de suministro de n puntos con actividades
Aunque la metodologa es aplicable a cualquier industria, las aplicaciones de
CPFR se han centrado principalmente en los alimentos, ropa y mercanca
general
El objetivo de CPFR es intercambiar informacin interna selecta en un servidor
de la red compartido, con el fi n de ofrecer panormicas confiables y de largo
plazo sobre la demanda futura en la cadena de suministro.
Consiste en los siguientes cinco pasos:
Paso 1. Creacin de un acuerdo de asociacin del lado del cliente.
1) Objetivos (como reduccin de inventarios, eliminacin de ventas perdidas, menor obsolescencia de
los productos) que se pretende alcanzar mediante colaboracin
2) Necesidades de recursos para la colaboracin (por ejemplo, hardware, software, medidas de
desempeo)
3) Expectativas de confidencialidad sobre la confianza imprescindible como requisito para compartir la
informacin delicada de la compaa, que representa un obstculo importante a la implantacin.
Paso 2. Planeacin conjunta de negocios
Paso 3. Desarrollo de pronsticos de demanda
Paso 4. Difundir los pronsticos
Paso 5. Resurtido de inventario



PROBLEMA
Lo que sigue es la demanda real de un producto durante los ltimos seis
trimestres. Con las reglas 1 a 5 del pronstico enfocado, encuentre la mejor
regla para pronosticar el tercer trimestre del ao.
1. Lo que se haya vendido en los tres ltimos meses ser probablemente lo que se venda en los tres
meses siguientes.
2. Lo que se vendi en el mismo trimestre del ao pasado se vender probablemente en ese periodo
de este ao (esto dara cuenta de los efectos estacionales).
3. Es probable que se venda 10 por ciento ms en los siguientes tres meses que en los tres meses
anteriores.
4. Es probable que se venda 50 por ciento ms en los tres meses siguientes que en los mismos tres
meses del ao anterior.
5. Cualquiera que haya sido el cambio porcentual de los ltimos tres meses de este ao en
comparacin con los mismos tres meses del ao pasado, ser probablemente el mismo cambio
porcentual que se tendr en los siguientes tres meses del ao.